异质性处理效应分析是因果推断中用来识别异质性群体处理效应的方法,在众多领域,如医疗、互联网、智能营销中有着巨大的应用价值。但目前流行的异质性处理效应分析方法,如因果树模型,依托无混淆假设,这一假设在真实世界的高维数据中非常容易不成立。混淆的存在,也就是辛普森悖论的出现,会使得因果估计方法失去因果效力。本文的目的在于,探讨如何在真实世界中的可能含混淆变量的数据集上,合理应用因果树方法进行建模,提出诊断并回避辛普森悖论的因果建模思路,从而科学地挖掘异质性特征。首先,在建模前,对数据集进行辛普森悖论的识别,若发现混淆存在,需要对后续自然生长的因果树进行诊断,判断其每片叶子节点是否都包含混淆变量,若存在叶子节点不包含混淆,则需进行混淆调整。调整方法有二,其一是调整因果树的生长参数,其二是根据混淆变量的变量类型选择后门调整或倾向性得分加权修正叶子节点估计。在三种不同的数据生成机制下进行了随机模拟,通过模拟实验验证了因果树在不同环境设置下对条件平均处理效应的估计性能。从因果图框架、潜在结果框架和模拟试验结果三个角度论证了对因果树进行辛普森悖论回避的必要性以及本文提出辛普森悖论回避方法的有效性,经过本文辛普森悖论识别和调整之后的因果树具有更好的估计效果,且护航了通过因果树得到的关于因果量的估计在无混淆假设层面是合理的。实证方面,在一个真实营销数据集上,借助因果树进行了客群划分,可以为下一步营销策略的制定提供参考价值。